Ao mapear o universo, vale a pena ter uma programação inteligente. Os especialistas compartilham como o aprendizado de máquina está mudando o futuro da astronomia.

Astronomia é uma das ciências mais antigas e a primeira ciência a incorporar matemática e geometria. Ele está no centro da busca da humanidade por seu lugar no universo.

À medida que nos aprofundamos no espaço que cerca nosso planeta, as ferramentas que usamos tornam-se mais complexas. Os astrônomos percorreram um longo caminho desde rastrear o céu noturno a olho nu ou catalogar as estrelas com caneta e papel.

Os astrônomos modernos usam técnicas avançadas de programação de computador em seu trabalho - desde a programação de satélites até o ensino de computadores para analisar dados como um pesquisador.

Então, o que os astrônomos fazem com seus computadores?

Mais dados, mais problemas

Big data é um grande problema na astronomia. A próxima geração de rádios e telescópios ópticos será capaz de mapear grandes pedaços do céu noturno. O Square Kilometer Array (SKA) levará o processamento de dados ao seu limite.

Construído em duas fases, o SKA terá mais de 2.000 antenas de rádio e 2 milhões de antenas de baixa frequência depois de concluído. Essas antenas combinadas produzirão mais de um exabyte de dados por dia - mais do que o uso diário da Internet no mundo. Os dados são então processados ​​para se tornarem gerenciáveis, o que significa que o tamanho dos dados com os quais os astrônomos precisam lidar será menor.

O cientista do projeto do australiano SKA Pathfinder, Dr. Aidan Hotan, explica.

"Os dados de um conjunto de radiotelescópios são muito parecidos com o fluxo de água através de um ecossistema. Cada uma das antenas produz dados, que é então transmitida a alguma distância e combinada com outras antenas em vários estágios - como tributários menores se combinando em um rio maior, "diz Aidan.

"A maior taxa de dados que você pode considerar é a saída bruta total de cada antena individual, Mas na realidade, reduzimos essa taxa total para números mais gerenciáveis ​​à medida que fluímos pelo sistema. Podemos combinar os sinais de forma a reter apenas as informações que queremos ou podemos fazer uso. "

Embora o SKA seja o maior projeto desse tipo, muitos telescópios modernos são capazes de coletar dados mais rápido do que os humanos.

Como encontrar uma explosão

O SKA será uma ferramenta revolucionária para os astrônomos, uma vez concluído. Já, astrônomos estão preparando seu trabalho para a fase um do SKA. Para fazer isso, eles estão trabalhando em maneiras de tornar seus trabalhos mais rápidos e fáceis, automatizando o registro e o processamento de dados.

Então, que tipo de trabalho os astrônomos podem automatizar?

Dra. Gemma Anderson é pesquisadora associada do Centro Internacional de Pesquisa em Radioastronomia em Perth. Lá, ela programou radiotelescópios australianos para monitorar automaticamente as explosões no espaço.

"Temos um telescópio no espaço projetado para detectar explosões. O telescópio espacial envia informações de volta à Terra, e eu tenho dois dos grandes radiotelescópios da Austrália configurados para receber esse sinal. Quando eles recebem o sinal, esses telescópios param o que estão fazendo e tentam observar a explosão o mais rápido possível, "Diz Gemma.

Gemma usa o observatório Swift, atualmente orbitando a Terra, para encontrar explosões de raios gama no espaço. As explosões são de curta duração, subproduto incrivelmente energético de estrelas moribundas.

Gemma e sua equipe programaram o Murchison Widefield Array e o Australia Telescope Compact Array da Austrália para receber alertas de Swift e apontar para a origem da explosão de raios gama.

No passado, dados de telescópios como esse eram pequenos o suficiente para os astrônomos trabalharem por conta própria. Agora, Gemma usa um software que automatiza grande parte desse processo.

O processamento de dados é uma tarefa tão grande que precisa ser feito em supercomputadores. Supercomputadores são computadores poderosos que geralmente podem processar grandes quantidades de dados em horas, em vez dos meses ou anos que levaria em um laptop padrão. O produto final é uma imagem que Gemma pode usar para pesquisas sem a necessidade de processar os dados por conta própria.

"Para aquelas pessoas interessadas em ser astrônomos, é muito importante adquirir experiência em programação de computadores. Precisamos nos tornar mais proficientes no processamento e análise de grandes quantidades de dados, "Diz Gemma.

Educando um robô

A Dra. Rebecca Lange, do Curtin Institute for Computation and Astronomy Data and Computing Services, está ajudando os astrônomos a impulsionar suas técnicas de programação de computadores, fornecendo-lhes treinamento.

"Acho que os astrônomos terão que começar a trabalhar mais com engenheiros de software. No intervalo de tempo intermediário, no entanto, os astrônomos se tornarão melhores em computação. Coisas como programação devem fazer parte do treinamento. Não só para astrônomos, é importante para qualquer pessoa que faça ciência agora, "Rebecca diz.

Entre as técnicas em que Rebecca treina astrônomos está o aprendizado de máquina. Não se preocupe, não é o tipo de aprendizado que leva a uma revolta de robôs.

"O uso de aprendizado de máquina normalmente envolve uma pesquisa automatizada em um enorme arquivo de imagem, procurando o que chamamos de fontes - os objetos no espaço que emitem sinais naturais de rádio. Essas fontes aparecem como pontos brilhantes contra um fundo escuro, "diz Aidan.

"Como a maior parte do espaço está vazio, o uso de um localizador de fontes inteligente torna muito mais fácil para os cientistas descobrir onde estão as partes interessantes. Contudo, este localizador de fonte precisa ser inteligente o suficiente para classificar um grande número de diferentes tipos de objetos, incluindo coisas que os olhos humanos nunca viram antes. "

Uma fonte pode ser uma galáxia em forma de espiral, enquanto outro pode ser elíptico. O programa de aprendizado de máquina aprende a classificar imagens semelhantes nesses rótulos por meio de uma série de etapas. These steps are a basic emulation of how human brains recognise patterns. Getting computers to do this gives astronomers useful information out of raw data.

"Machine learning is getting picked up because we now have the amount of data needed. When you're doing supervised learning, you need a lot of data to train on. If you look at galaxy classification, we have done so many already that we have a great training sample for machine learning, " Rebecca says.

She thinks automation and machine learning will give astronomers more time to focus on their science rather than analysing their data. She also says designing these programs will be the job given to next-generation astronomers in their early career.

"Astronomers are still getting used to machine learning. They're still experimenting:what algorithm works best, what kind of machine learning techniques are most useful to apply, " ela diz.

"Agora mesmo, it's a great entry point for Ph.D. students to develop code. The industry needs it, and it saves them having to sort the data themselves."

They will reach deeper into the universe and find old galaxies from the beginning of time. They will map hidden worlds, distant suns and the strangest, most destructive forces in existence. Perhaps they will even find new life.

These computer programs will work like a funnel. They will sort through massive amounts of raw data to find astronomers valuable information. A long way from our analogue past, computers are helping us uncover the secrets of our universe—perhaps even, um dia, understanding of our place within it.

Este artigo apareceu pela primeira vez no Particle, a science news website based at Scitech, Perth, Austrália. Leia o artigo original.